Die Oberfläche ist lokalisiert; Skill-Beschreibungen und -Dokumente werden per KI automatisch in Ihre Sprache übersetzt. Code, Befehle, Pfade und Fachbegriffe bleiben im Original, maßgeblich ist das Dokument des Autors.
Skills entdecken
Design und Kreativität · SKILL.md

sealeap-amazon-low-bid-discovery-ads

sealeap-amazon-low-bid-discovery-ads

Diagnose and design low-bid Amazon Ads discovery experiments that probe residual traffic, minimum viable bids, placements, and harvestable search terms under a portfolio cap. Use when the user asks about 捡漏广告, low-CPC discovery, bid floors, incremental keyword testing, or turning cheap traffic into a durable campaign. Default to analysis and draft changes; …

Independent GitHub snapshot · Automated classification · Original documentation governs

Skill-Dokumentation

GitHub

name: sealeap-amazon-low-bid-discovery-ads description: Diagnose and design low-bid Amazon Ads discovery experiments that probe residual traffic, minimum viable bids, placements, and harvestable search terms under a portfolio cap. Use when the user asks about 捡漏广告, low-CPC discovery, bid floors, incremental keyword testing, or turning cheap traffic into a durable campaign. Default to analysis and draft changes; never mutate live ads without explicit approval.

Amazon 低竞价流量发现

目标

在不挤占主力广告预算的前提下,探索可获得曝光、点击和订单的最低有效竞价,并把被验证的流量迁移到可独立管理的结构中。

适用任务

  • 为单个 ASIN、同类产品组或店铺组合设计低竞价探索。
  • 判断无曝光、低点击、偶发出单究竟是竞价不足、流量稀薄还是转化不成立。
  • 把搜索词或商品投放中的低成本赢家迁移为主力广告。

开始前要拿到

  • 站点、币种、ASIN、商品阶段、目标利润和广告目标。
  • 搜索词、投放、广告位和已购商品报告,建议窗口至少覆盖一个完整购买周期。
  • 售价、贡献毛利、目标 ACoS 或盈亏平衡 CPC,以及组合级预算上限。

缺失的数据要明确列为缺口,并把结论标成事实、估算或假设;不要补造数字。

不可妥协的边界

  • 不要照搬固定低价或极端广告位系数;先按站点、类目和币种计算安全测试区间。
  • 不得把全部店铺产品无差别混入同一实验;相关性、库存和利润边界必须可解释。
  • 不把偶发订单当成稳定结论,也不把广告订单直接归因为自然排名提升。
  • 当前 Amazon 官方政策、帮助页、账户资格和后台实际字段优先于本 Skill 中的经验框架;规则可能变化时先核验。
  • 默认提供诊断或草案。写入前展示对象、旧值、新值、影响、停止线与回退,核对用户已有授权是否覆盖对象、动作与预算;范围已明确授权时继续执行并回读核验,只有未覆盖或扩大的范围才请求批准。
  • 不输出原素材的创作者身份、账号、链接、视频编号或可反查线索;当前业务证据的官方来源、采集时间和口径仍需保留。

第三方 MCP 数据

只有在本任务确实需要外部市场、竞品、关键词或公开网页证据时,才读取 references/mcp-data-plan.md,并使用 scripts/mcp_research.py。

  • 先动态执行 tools/list、search-tools 和 describe,依据实时 inputSchema 构造参数,不照搬历史工具名。
  • 凭证只从环境变量读取,不放进命令参数、URL、Skill、结果文件或 Git。
  • tools/call 可能计费。调用前展示 Provider、工具名、无密钥参数、预计成本与输出位置,核对已有授权覆盖后才加 --allow-cost;该标志不是费用上限。
  • 第三方数据标为估算或代理证据,记录 Provider、工具、无密钥参数、查询时间和原始结果位置;失败一次后记录缺口,不反复消耗额度。
  • 脱敏结果用 --output 写到 Skill 包之外的任务私有目录;不假设安装位置受仓库 .gitignore 保护,不把运行结果写入 Skill 包。

工作流

1. 划定实验单元

按单 ASIN、同类产品组和店铺级探索分层;每个单元单独设置预算帽、命名、观察窗口和停止条件。

2. 计算安全竞价

用盈亏平衡 CPC、历史 CPC 分位数和预估转化率建立起始区间。广告位加价后的有效竞价也必须落在风险预算内。

3. 从低向高探测

先以保守竞价运行;无曝光时按预定小步幅上调,并记录每次调整、曝光首次出现点和点击首次出现点,避免同日反复改动。

4. 验证而非猜测

按搜索词累计足够点击后比较转化率、CPA、订单利润和广告位表现。无效词降价、暂停或否定;数据不足标为待观察。

5. 迁移赢家

把稳定出单且利润成立的搜索词迁移到精准或独立广告,把商品目标迁移到独立商品投放;原探索活动保留隔离和去重策略。

6. 复盘增量

按周评估新增订单、TACoS、毛利、主力广告蚕食和自然订单变化,只扩大具备增量证据的单元。

判断标准

  • 有效竞价 = 基础竞价乘以适用广告位调整后的上限,必须展示计算口径。
  • 每个结论标注事实、估算或假设,并写明样本窗口。
  • 同时报告赢家、失败项、数据不足项和下一轮单一变量。

必须交付的结果

  • 实验分层表与预算帽。
  • 竞价阶梯、观察周期和停止规则。
  • 搜索词或商品目标的保留、迁移、降价、暂停清单。
  • 只读诊断结论;如需执行,另列待批准变更。

结尾列出数据窗口、关键假设、证据缺口、风险和下一步;如包含待执行动作,单独放在“待批准变更”中。

Gespeicherte Skills